空气质量指数范文精选

摘要:北方城市空气污染的首要污染物是可吸入颗粒物和二氧化硫,控制烟尘污染和风沙扬尘污染是改善空气质量最直接有效的途径。

Abstract:The primary pollutant of northern urban air pollution are inhalable particulates IP and sulfur dioxide. The most direct and effective way to improve air quality is controling dust pollution and raising dust pollution.

关键词:空气污染指数;空气质量;改善途径

Key words:Air Pollution Index;air quality;improved approaches

中图分类号:X51文献标识码:A 文章编号:1006-4311(2010)23-0247-02

1定义

空气污染指数是描述空气质量的一个最常见指标,是对空气中的若干种主要污染物的监测数据参照空气质量的分级标准,经过综合换算而得到的,以数字的形式表示空气的质量。各地的空气污染指数通过电视、网络、报纸等媒体,有利于公众简明、清楚、及时地了解空气质量的优劣。我国目前计入空气污染指数的污染物项目有二氧化硫(SO2)、二氧化氮(NO2)、可吸人颗粒物(PM10)、一氧化碳(CO)、臭氧(O3)。

空气污染是一个复杂的现象,在特定时间和地点空气污染物浓度受到许多因素影响,来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一,其中包括车辆、船舶、飞机的尾气,工业企业生产排放,居民生活和取暖燃煤,垃圾焚烧等,城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。

摘要 文章根据《环境空气质量标准》（GB3095-2012）中所列各污染物标准限值、《环境空气质量指数（AQI）技术规定（试行）》（HJ633-2012）中AQI的计算方法及《环境空气质量评价技术规范（试行）》（HJ663-2013）中规定的环境空气评价项目与评价方法，结合福州市环境空气监测数据，介绍如何利用excel 2003软件自动批量计算空气质量指数（AQI）、自动分析某时段的环境空气质量状况、自动绘制空气质量分级比例饼状图、自动生成主要污染物评价结果表等，为环境空气质量分析工作提供便利。

关键词 EXCEL；环境空气质量；AQI；自动计算

中图分类号X3 文献标识码A 文章编号 1674-6708（2014）121-0227-03

2013年1月1日起，京津冀、长三角、珠三角等重点区域以及直辖市和省会城市等共74个城市按照环境空气新标准《环境空气质量标准》（GB3095-2012）要求进行监测与评价。新标准增加了污染物监测项目，严格了部分污染物浓度限值。空气日报中，由包含六项污染物的空气质量指数（AQI）替换了原来包含三项污染物的空气污染指数（API），评价方法更加复杂，靠人工计算工作量非常大。一些软件虽有自动统计功能，但也存在局限性，例如本单位的软件尚不能统计AQI，上级环保部门数据库虽然功能较齐全，但只能进行整年或者整月的统计，而且必须是上报后的数据才能统计出结果，时效性欠佳。EXCEL 2003是一款简单易学且普及的软件，使用门槛低，无人员权限限制。前人曾探讨过应用EXCEL来计算评价单个AQI，但其在污染物浓度取值超出范围及存在两个以上首要污染物时存在漏洞，而且尚无对任意日期范围内自动统计及自动生成图表方面的研究。

本文介绍的EXCEL 2003软件的应用结果，只要在相应单元格中输入各项空气污染物浓度日均值，excel可自动批量计算每日空气质量指数，并显示空气质量级别及首要污染物、超标污染物；输入需要统计的起止日期，EXCEL便能自动统计给定日期范围内的有效天数，AQI最大值、最小值、均值及各级别空气质量的天数等信息，并自动生成空气质量各级别天数比例的饼状图；同时，输入统计时段，可自动生成一张包含各污染物最大日均值、平均值、特定百分位数、单项污染指数、最大日超标倍数、超标率等项目的评价表，方便且直观。

1原理

1.1空气质量指数（AQI）的计算

污染物项目P的空气质量分指数按式（1）计算：

2013年初，全国部分地区均笼罩在一片雾霾之下，各大城市陆续推出的空气质量指数预报，显示出多地处于重度污染之下，个别城市更是爆表破上限。空气质量指数（AQI）是一种评价大气环境质量状况简单而直观的指标，其数值范围为0~500，空气质量指数的值在不同的区间，代表了不同的空气质量水平。比如0~50，代表“良好”；51~100，代表“中等”；101~150，代表“对敏感人群不健康”……那么，AQI这一数值是如何计算出来的呢？

什么是AQI

环境空气污染物的种类有很多，常见的有二氧化硫（SO2）、二氧化氮（NO2）、一氧化碳（CO）、臭氧（O3）和悬浮颗粒物，总是与空气质量指数一起出现的名词PM2.5就是指悬浮颗粒物中的一种。PM是“颗粒物（Partical Material）”的缩写，包括人为的和自然直接排放的固体颗粒和液滴微粒，或者排放的污染物在大气中发生反应而形成的微粒。其中直径小于10μm的微粒即PM10，可以被人吸入并积聚在呼吸系统中，而直径小于2.5μm的微粒，即PM2.5，被称为“细”颗粒，由于其体积小（不到人类头发平均宽度的七分之一），可以深入肺部，因此对人类健康的影响更大。

在环境监测部门每天的空气质量报告中，包含各种污染物的浓度值，比如SO2浓度为20.5μg/m3、PM10浓度为150.8μg/m3、PM2.5浓度为130.7μg/m3等。但是，对于大多数人而言，这些抽象的数据并没有很具体的意义，因为无法从这些数据中判断出到底当前的空气质量处在什么水平。于是就有人想出了一个办法，将各种不同污染物含量折算成一个统一的指数，这就是空气质量指数（AQI）。通过这一数值，人们可以一目了然地判断出空气质量是否健康（如表1）。

计算AQI

AQI是根据各种污染物的浓度值换算出来的。要计算AQI，就需要事先确定各污染物在不同空气质量水平下的浓度限值，通常我们会在空气质量预报中看到PM10、PM2.5、SO2、NO2等几种污染物的浓度值。来看一下AQI的计算公式：

其中，I为空气质量指数，即AQI；C 为该污染物浓度，即输入值；Cl、Ch为该污染物浓度限值，Il、Ih为AQI限值，4个数值均为常量，几个主要的空气污染物浓度限值的具体数值可通过查阅表2获得。

利用这个公式，只要根据测量所得的污染物浓度C，就可以容易地计算出该污染物浓度对应的AQI的值了。比如，要计算PM2.5日均值浓度等于72μg/m3对应的AQI，查阅上表可知，它在35和75之间，所以Cl = 35、Ch = 75，对应的Il = 50、Ih = 100，套入计算公式得96.25，取整数96。

环境空气质量预报是落实《大气污染防治行动计划》的新兴核心业务，是重污染预警应急和大气污染防控不可或缺的基础工作。环境空气质量指数(AQI)预报是城市环境空气质量预报的基本内容，是公众了解未来空气质量状况最直接的方式，成为空气质量预报业务部门的重要例行工作。目前，国内重点城市已陆续开展AQI预报［1-2］，但尚未形成规范的AQI预报方法，无法满足城市AQI预报信息统一要求，迫切需要建立一套标准化的AQI预报方法体系。本文以全国城市空气质量实时平台2014年典型城市的实况监测数据为基础，利用统计学方法对数据进行分析，探讨城市24hAQI范围预报方法和偏差修正的确定依据，以及相关的质量控制技术，以期为各城市开展AQI预报提供实用方法和技术参考。

1AQI范围预报方法

1.1级别判断在空气质量模式AQI预报结果的基础上，根据空气质量实况、天气形势预报和污染源排放变化，初步判断次日AQI预报级别，确定将其定位在某个级别内还是两个级别间。例如优、优～良，良、良～轻等空气质量级别。通常若天气形势稳定或变化趋势清晰，AQI可定位在某级别内。若未来天气形势变化不明朗，例如，出现弱槽过境、弱降水等，可将AQI定位在级别间进行跨级预报。

1.2中心线设定根据初步判断AQI变化趋势，设定AQI范围中心线的大致位置，即偏向趋势变化所向级别的低、中、高段位。通常根据好转、稳定、变差的趋势，分别将AQI预报范围的中心线定位在稍低、持平、稍高段位。例如，初步判断AQI是跨越良到轻度污染两级的变差趋势，根据预估的AQI变化幅度，将中心点设定在偏良、居中或偏轻度污染的段位。

1.3变化幅度修正为提高预报准确性，需在设定的AQI范围中心线上加减一个变化幅度(偏差)，最终形成AQI范围预报。通常在中度污染以下加减10或15的幅度，中度污染以上加减20或更大的幅度。例如，初步判断未来24h空气质量级别为良，并有转差的趋势，AQI中心线设定为85，处于该级别的稍高段位，再加减10的变化幅度进行修正，即最终AQI预报结果为75～95。具体预报范围修正方法在下文详细讨论

2AQI预报范围订正

2.1AQI分级波动范围为分析不同区域、不同污染程度的城市AQI分级波动情况，选取张家口、邢台、大连、沈阳、舟山、济南、长沙、郑州、海口、广州、拉萨、成都、西宁、西安14个典型城市，分别代表华北、东北、华东、华中、华南、西南、西北地区相对清洁和污染的城市情况，采用均方差来反映一组数据离散程度的最常用量化指标，对上述14个城市2014年的实况AQI数据进行统计，以分析不同空气质量级别的AQI波动情况。由表1可以看出，各区域的清洁城市和污染城市在同一级别内的AQI均方差无明显差别，且随着空气质量级别加重，清洁城市和污染城市AQI均方差均表现出递增的总体趋势。14个城市空气质量为优级别时，AQI均方差为3.6～9.1，均值为6.1;良至中度污染级别时，各城市AQI均方差相差不大，为6.4～21.7，均值为13.4，且有90%的均方差处于10～16的范围内;在重度污染级别时，各城市AQI均方差明显增加，为19.9～34.0，均值为26.6;在严重污染级别时各城市AQI均方差进一步增加，为20.2～106.8，均值为62.4。由此可见，不同空气质量级别的AQI波动范围差异明显，应针对不同级别设置不同的AQI预报变化幅度。

2.2AQI变化幅度范围对于空气质量良好、大气化学机理单一、污染源排放量稳定、外来传输影响较小的清洁城市，其每日AQI的正常波动范围相当于AQI的本底变化幅度，可作为其他城市AQI预报变化幅度修正基本参考值。以三亚市2014年301个空气质量优级天的AQI统计结果为例。由图1可见，优级天AQI近似服从平均值为31.8，方差为62.1的正态分布，90%的优级天AQI集中在18.9～44.7的范围内，以均值31.8为中心，上下均浮动12.9，设定AQI在优级天的本底变化幅度为10，在一定程度上可视为城市AQI预报的基本波动范围。对于空气质量一般的城市，AQI预报较易受到气象条件、污染源排放、大气复合污染程度、季节等因素变化的影响，每日AQI波动范围较大。以机动车尾气污染为主的杭州市2014年110d轻度污染AQI的分布为例，如图2所示。AQI分布较为分散，均方差为13.3，超过78%的AQI集中在轻度污染(101～150)的中低位区间(101～130)，设定轻度污染AQI预报较合理的变化幅度范围为15。通常空气质量较差的城市，本地污染源排放量大，且大气污染物不易扩散，AQI预报更多考虑气象条件和季节变化(如冬季北方采暖燃煤)的影响，在空气质量重度及以上污染时，AQI波动明显以煤烟污染为主的邢台市2014年74d重度污染AQI分布为例，如图3所示。AQI分布明显分散，均方差为26，超过86%的AQI集中在重度污染(201～300)的中低位区间(201～270)，设定重度污染AQI预报较合理的变化幅度范围为25。

摘 要：该文利用2015年滁州市逐日AQI与同期气象要素的观测资料，对滁州市空气质量变化特征及其与气象条件的关系进行了分析。结果表明：与上年相比，2015年滁州市空气质量未得到有效改善，还有进一步恶化的趋势。空气质量为良的等级出现频率最高，其次为轻度污染，首要污染物以PM2.5为主。四季AQI存在显著差异，有明显的季节变化特征，冬季AQI均值最高，波动幅度最大，夏季AQI均值最低，波动幅度最小。AQI与平均气压、平均气温、日最低气温、气温日较差、平均风速、日降水量以及前一日AQI显著相关。基于气象要素建立的AQI回归方程对全年AQI的总体变化趋势和平均状态拟合效果较好，但对极值的拟合能力不足。

关键词：空气质量指数；气象条件；相关性；逐步回归

中图分类号 X16 文献标识码 A 文章编号 1007-7731（2017）14-0161-05

Abstract：Based on the observational data of the daily air quality index（AQI）and the meteorological elements in Chuzhou City in 2015，the relationship between the characteristics of air quality change and the meteorological conditions in Chuzhou City was analyzed. The results show that compared with the previous year，the air quality in Chuzhou in 2015 has not been effectively improved，and the trend of further deterioration.Air quality for the highest level of the highest frequency，followed by mild pollution，the main pollutants to PM2.5-based. There were significant differences in seasonal AQI and obvious seasonal variation characteristics. The AQI was the highest in winter and the fluctuation range was the highest. The summer AQI was the lowest and the fluctuation range was the smallest. AQI was significantly correlated with mean pressure，mean temperature，daily minimum temperature，daily range of temperature，mean wind speed，daily precipitation and AQI of the day before. The AQI regression equation based on meteorological elements has a good effect on the overall trend and average state fitting of AQI throughout the year，but the ability to fit the extreme value is insufficient.

Key words：Air quality index（AQI）； Meteorological condition； Correlation； Stepwise regression

城市空气质量与气象条件密不可分[1-4]，国内学者对空气质量时空分布特征[5]、空气污染指数节气分布[6]、空气污染变化特征[7]、首要污染物浓度变化[8-9]与气象要素的关系进行了研究，不同城市空气质量特征分析具有一定的共性，但地区差异也很明显[10]。

作为南京都市圈主要成员和皖江城市带承接转移示范区重要一翼，滁州市自2008年开启“大滁城建设”，随着城市规模与GDP总量的快速增长，城市空气的污染问题也日益突出。2016年5月12日，因环境质量未得到有效改善，环境执法力度亟待加强，滁州市被国家环保部点名通报。目前，针对滁州市的空气质量变化与气象条件关系的研究尚属空白，本文主要分析了2015年滁州市空气质量指数（AQI）[11-12]与主要污染物变化特征，并探讨AQI与气象要素之间的关系，为滁州市AQI预测及大气污染防治提供一定的参考。

1 资料与方法

摘 要：通过对杭州市2015年5月至2016年4月的空气质量指数、PM2.5浓度和PM10浓度进行相关性分析，分析了三者之间的关系。运用最小二乘法的思想，构造以空气质量指数为因变量，PM2.5浓度和PM10浓度为自变量的二元线性回归模型，并对改模型进行显著性检验，结果表示此模型非常有效可靠，然后利用得到的二元线性回归方程对杭州市2016年5月的空气质量指数进行预测，空气质量指数预测值和实际值的相对误差非常小，可为空气质量的相关研究提供参考。

关键词：空气质量指数；二元线性回归；显著性检验；预测

中图分类号：X32 文献标识码：A 文章编号：1008-4428（2016）09-86 -02

一、 引言

为了保护空气质量，让广大居民更安心健康的生活，对空气质量、细颗粒物进行更深入的研究迫在眉睫。本文就2015年5月1日～2016年4月30日杭州市的空气质量指数、PM2.5、PM10浓度数据进行了相关研究，为空气质量的有关研究部门提供借鉴，也为我国的环境保护事业尽一份力。

二、数据来源

本文中杭州市2015年5月～2016年4月的空气质量指数、PM2.5浓度和PM10浓度均来自于天气后报（http：///）。

三、相关性分析

【摘 要】环保监测数据的更新是一个不断变化的动态过程，随着数据量的增加，数据所反映的信息也更加完善，给人民的生活和生产带来了重要的影响。利用灰色GM（1，1）系统建模理论和新陈代谢建模原理，建立基于动态数据驱动的灰色GM（1，1）新陈代谢模型。该模型根据空气质量指数的动态数据更新，去掉旧数据加入新数据，弱化了对数据服从怎样统计规律这一要求，避免了模型与数据统计规律不适应的难题，使得模型预测精度较传统GM（1，1）、线性模型及BP神经网络模型要好得多。

【关键词】空气质量 GM（1，1）模型 线性模型BP 神经网络

【中图分类号】TV139.1 【文献标识码】A 【文章编号】1674-4810（2015）27-0032-02

空气质量指数（Air Quality Index，简称AQI）是定量描述空气质量状况的无量纲指数，通过空气质量指数的变化可直观地评价大气环境的质量状况，并对空气污染的控制和管理进行指导。目前，我国已有367个城市建立了全国城市空气质量日报和小时报制度，实时公布相应城市的空气质量指数、级别和首要污染物，为工农业生产和人民生活提供帮助。因此，对空气质量指数的预测研究在实际生产和生活中显得非常重要。

一 模型选择分析

目前，监测部门对环境监测数据只是在实时更新相关环境指标数据，没有对其相应的指标进行预测，这给人民生活和工业生产造成了一定的影响。例如，居民如果不知道明天的PM2.5的预测浓度，也就不能对明天的生活进行合理地安排。环保部门没有对未来几天空气质量指数及空气污染指数的预测数据，从而不能对一些工业生产进行有效地控制，一定程度上造成处于被动的局面。

对空气质量指数的预测研究大多利用统计学知识从大量数据中找到数据变化规律，再利用此规律找到匹配的数学模型。采用较多的预测模型主要有线性回归模型、自回归求和滑动平均模型（ARIMA）、自回归条件异方差类模型（ARCH类）、神经网络方法、灰色预测模型。这些模型存在两方面的不足：一是这些模型建模过程中的数据均固定不变，没有体现数据的不断更新；二是在选模型之前首先统计分析数据规律，若得出的规律与模型的适用性不匹配则仍用该模型进行建模预测难度较大，模型选择失效。

为克服这两点不足，将动态数据驱动原理与新陈代谢理论相结合，建立基于动态数据驱动的灰色GM（1，1）新陈代谢模型，该模型在不断补充新信息的同时，要及时地去掉旧信息，使数据不断更新；同时，该模型解决了建模运算量不断增大的困难，GM（1，1）模型对数据服从怎样统计规律这一要求较弱，避免了模型与数据统计规律不适应的难题。

摘 要 通过对河北省11个地市2003-2012年空气质量实况监测资料进行分析。结果表明：近10a河北省空气质量呈明显好转趋势，北部好于南部，沿海好于内陆，夏季最好，冬季最差，中南部地区属于污染较为严重的区域。运用相关分析法，对气象因子与空气污染指数的相关关系分析表明：气象条件对空气质量有相当的影响。通过多元回归法建立的空气污染指数的预报模型。可为空气污染防治和人们外出活动、呼吸道疾病的预防等方面提供一定参考。

关键词 空气质量；分布特征；污染指数预报

中图分类号P4 文献标识码A 文章编号 1674-6708（2013）98-0125-02

0 引言

随着经济社会的快速发展，空气污染问题越来越受到人们的广泛关注。近年来，空气质量监测和预报业务也在各省份蓬勃开展。2012年我国省会城市和直辖市开始监测PM2.5。朱永强[1]分析了数值模式预报、统计预报和综合经验预报等三种空气质量预报方法的优势和不足。众多学者运用上述方法分析研究了我国多个城市的空气质量分布特征、空气质量与气象因子的关系、污染过程的气象机理等[2-7]。河北省政府近年来采取了多种空气污染防治措施，空气污染得到了有效缓解。然而，2012年冬季至2013年初春，河北省多地受到持续性雾霾天气的影响，造成严重的空气污染。因此分析气象条件与空气质量的相关关系，建立基于气象条件的空气质量预报模型，提高空气质量预报的准确性显得尤为重要。

1 资料来源

利用河北省环境监测中心站监测的2003年1月～2012年12月河北省十一个地级市逐日的空气污染指数（API）实况资料。空气质量日报监测周期为24h，数据监测周期起止时间为前一日12：00至当日12：00。空气污染等级划分参照环境保护部2008年的《城市空气质量日报和预报技术规定》。

2 结果分析

摘要 以国家环保总站的监测数据为基础，分析了2014年1―12月郑州市空气质量指数的日变化和月变化规律，采用单因素评价法，研究了郑州市PM10、PM2.5、SO2、NO2、和CO与空气质量的相关性。结果表明，郑州市每月均有不同次数的污染过程出现，1月、11月空气质量指数大于100的天数最多，分别为25、24 d，其次为10月、12月的21 d，7月轻度污染出现的天数最少，仅为5 d。郑州市1―12月空气质量指数的日均值与其PM10、PM2.5、SO2、NO2和CO的相关性研究结果表明，PM10和PM2.5与空气质量指数呈极显著线性相关，CO和NO2与空气质量指数相关性不显著，SO2与空气质量指数呈显著指数函数相关。

关键词 空气质量指数；时间变化；影响因子；河南郑州

中图分类号 X823 文献标识码 A 文章编号 1007-5739（2015）14-0213-03

Study on Temporary Changes and Its Impacting Factors of Atmospheric Quality in Zhengzhou City

ZHENG Jing-gang

（School of Urban Planning Landscaping，Xuchang University，Xuchang Henan 461000）

Abstract Based on the detected data of national environmental station，the daily changes，and monthly changes of atmospheric quality index from January to December in 2014 were analyzed，and the correlation of PM10，PM2.5，SO2，NO2，CO and atmospheric quality index were discussed.The results showed that there was different frequency pollutant process in each month.The days of atmospheric quality index more than 100 were 25 and 24 days that is recorded in November and January，next to 21 days in October and December.In contrast，only 5 days were recorded in July.There was a significant linear correlation of PM10 and PM2.5 atmospheric quality index.However，there were not significant correlation of SO2，NO2 and atmospheric quality index.Moreover，there was significant exponential function correlation of CO and atmospheric quality index.

Key words atmosphic quality index；temporal changes；impact factors；Zhengzhou Henan

近日，我国多地遭遇持续性雾霾天气。空气污染指数的“飙升”，让很多人纷纷通过手机应用软件（APP）实时查看天气、了解所在城市的空气污染情况。有细心人士对比发现，各种空气质量指数的环保APP，提供的数据并不一致，有时竟相差甚远。这些数据从何而来？哪个更可信呢？

目前，手机应用市场上主要存在两类空气质量指数的商业应用软件。一类以天气信息为主，空气质量情况通常以“便签”形式置于页面的次要位置，如“墨迹天气”、“天气通”等。另一类则专门用于空气质量状况，如“全国空气质量指数”。

对于数据的来源，“墨迹天气”官方微博称，“墨迹天气空气质量指数全部来自中国环境监测总站。”

“天气通”也注明数据来源于中国环境监测总站。而“全国空气质量指数”在应用介绍中显示：“数据来自国家环保部和各省环保局的权威，实时更新。”

业内人士多次试验发现，尽管都声称来自中国环境监测总站，几家呈现的数据却不一致。以12月6日17时北京空气质量指数为例，“墨迹天气”、“天气通”、“全国空气质量指数”分别显示为221、253、211，而中国环境监测总站所显示北京各监测点的空气质量指数，没有一个超过200。

为何存在上述差异？上海市环境监测中心信息技术部副主任陆涛分析：“环保监测的污染物主要是PM2.5、PM10、SO2、NO2、O3和CO六种，有些商业网站的空气质量指数主要依据是PM2.5，所以当其他污染物如臭氧（O3）的浓度超标时，就难免出现与环保部门数据不一致的情况。”另外，不少网站带有明显的商业目的，比如推销空气净化器等，因此不排除故意夸大的可能。

除了商业APP，多地环保部门也相继推出环保应用软件，如北京市环保局的“北京空气质量”，上海环保部门的“上海空气质量”。北京市环境保护监测中心办公室副主任严京海说：“目前北京做空气质量监测的只有监测中心一家。”因此，数据是权威、准确的。

“数据1小时更新一次，比如11时的数据会在11时20分。实时数据收集回来之后，系统会进行自动审核，修正一些因监测设备故障造成的数据误差，然后通过公式计算出每种污染物的分指数，再选择分指数中的最大数值作为空气质量指数对外。”陆涛表示，依靠抓取数据再进行整合的商业APP，难免会相对滞后。